基于小波神经网络矿山安全的评价模型

煤矿是一个多工序、多环节、生产过程复杂、时空变化大、环境恶劣的生产企业,其安全系统是一典型的非线性系统,对矿山进行安全评价是当前安全管理中的一个重要环节.采用由伸缩和平移因子决定的小波基函数代替Sigmoid等传递函数,选用23项指标作为输入节点,建立矿山安全的小波神经网评价模型,该模型可自动确定网络参数,避免了传统神经网络需要人为干预网络结构参数的不足.实例分析表明,提出的WNN网络的评价绝对误差平均为0.425%,而BP网络评价绝对误差平均为3.1%.这说明,WNN网络泛化能力远好于BP网络,该模型具有重要的应用价值.     

利用Laplace小波和粒子群算法实现阻尼和频率精确计算

提出一种利用Laplace小波求自由衰减信号阻尼和频率的新方法.该方法利用Laplace小波实部的衰减特性来识别信号中的自由衰减波形,从而实现阻尼、频率的正确识别.同时为了提高识别效率,引入了粒子群算法来实现Laplace小波的参数寻优.仿真试验表明:这一方法具有较高的计算精度,且计算精度不受相邻模态耦合的影响.     

基于小波多尺度扩展分形特征的目标检测方法

研究复杂自然背景下的小目标检测问题,对Kaplan的扩展分形特征进行改进,使其对目标尺寸具有一定的适应性·考虑自然背景和斑点状人造目标在水平、垂直方向特性,利用小波分析良好的方向选择性,通过多级小波分解互能量交叉,在两个方向上有效地增强目标、抑制背景干扰,从而提出一种基于小波分析的多尺度扩展分形特征·实验结果表明,基于该特征的目标检测算法对复杂地面背景、海面背景的红外图像和电视图像具有较好的稳健性和适应性,能从单帧图像中较好地检测出小目标,具有检测速度较快、易于实现的特点·     

包络分析在超宽带信号采集中的应用

室内环境下超宽带信号具有丰富的多径分量,在时域中这些分量表现出簇（cluster）的形式,簇在时域上类似于幅度调制,可采用包络分析法对其进行分析。介绍了利用小波变换进行超宽带信号包络分析的方法,给出了接收信号包络的时域表达式,并对低信噪比下超宽带信号进行了包络提取,结果显示该方法实现了簇内多径分量的合并,并具有很强的去噪作用。包络分析方法对于那些难以建立模型的传输环境以及能够建立模型但难以提取参数的场合下超宽带信号的采集具有重要的意义,它指出了传统的包络分析技术可用于超宽带信号的采集。     

基于改进学习矢量量化神经网络输电线路故障识别技术

针对输电线路距离长、覆盖范围广,易受到自然环境和人为因素的影响,对输电线路故障分类和识别非常困难.在输电线路故障分类中将经验小波变换与改进的学习矢量量化神经网络相结合,使用经验小波变换提取输电线路的故障特征,并使用改进的学习矢量量化神经网络识别故障特征.通过对不同故障类型、故障位置、过渡电阻和初始故障角度进行仿真,验证该模型的准确性和有效性.仿真结果表明,该方法在故障分类中具有一定的优势,不受上述因素的影响,具有良好的鲁棒性和故障分类性能.该研究为中国输电线故障识别技术的发展提供一定的参考.     

基于CEEMDAN-WPT联合去噪的灾后求救信号能量分布特征研究

在隧道、矿山等复杂环境的地下工程灾后救援中,求救敲击信号微弱且经常淹没在噪声环境中,如何有效拾取求救敲击信号是灾后救援的关键问题。该文以现场敲击数据为基础,选取钢架、钢管、铁锤等不同类型的敲击信号进行对比研究。首先采用自适应噪声完备集合经验模态分解的改进算法(CEEMDAN)对信号进行分解,运用功率谱密度、相关系数和方差贡献率分析方法选择包含有效信息的IMF分量,再利用小波包阈值去噪(WPT)对信号进行分层滤波,最终得到信号的工作特征信息;其次利用小波包分析模块分别求得每个节点重构信号的小波包频带能量,研究不同类型敲击信号在频带内的能量分布特性,并比较其频带能量的分布差异。结果表明,钢架、钢管、铁锤等敲击信号的能量分布大致相同,多集中于0～250 Hz;通过能量频带细化分析发现,在能量波峰处,钢架敲击地面占比最少,铁锤敲击地面占比最多,该文方法可为灾后求救信号的有效识别提供基础,且为救援设备的传感器参数选择提供依据。     

基于S_Kohonen神经网络的乒乓球运动识别

针对乒乓球运动识别方法通常无法实时识别、识别率低和识别算法复杂度高,从而导致穿戴式设备续航能力差等问题,提出一种基于遗传算法优化S_Kohonen(supervisedKohonen)神经网络的乒乓球运动实时识别方法,并完成系统设计.该系统通过单MPU6050六轴加速度传感器采集运动信号,采用动作端点检测算法提取动作始末端点,基于db4小波对动作信号进行3层分解,同时用遗传算法优化S_Kohonen神经网络对乒乓球常见的6种动作进行识别.实验结果表明:该运动识别方法离线平均识别率为99.17%,实时平均识别率为91.67%,待机功耗为0.28 mW,运行模式功耗为14 mW,识别时间为2 ms,证明该方法识别迅速、功耗低、识别准确率高.     

无线电监测中调制信号特征提取算法

针对传统调制信号特征提取算法在噪声环境下存在识别准确度低、分类效果差等问题,基于已有的调制 信号处理方法,提出一种新的无线电监测中调制信号特征提取算法。首先构建无线电监测中各类调制信号的 数学模型,以此为基础通过仿真得到信号瞬时幅值、瞬时相位及瞬时频率的特征。分析当前信号调制方式识别 各类算法的优缺点,采用小波变换完成调制信号的降噪处理与突变边界特征提取算法的设计,利用零中心归一 化瞬时幅度的谱密度最大特征提取算法以及核判别分析算法对各类调制信号进行逐层提取,实现了各类调制 信号的完整分类与提取,提升了噪声环境影响下的特征信号提取精度、且分类效果较好,为无线电监测中调制 信号特征提取提供了有利科学依据。     

基于改进小波阈值函数和变分模态分解的 电能质量扰动检测

针对强噪声环境下扰动特征提取困难的问题,提出一种基于改进小波阈值函数和变分模态分解的电能质量扰动检测算法.采用改进小波阈值函数滤除电能质量扰动信号的噪声,通过傅里叶变换确定预设尺度,再基于变分模态分解准确地求出电能质量扰动信号的各个本征模态函数,结合Hilbert变换和奇异值分解分别求解每个本征模态函数的振幅、频率、起止时间等特征量,并据此搭建PXI和LabVIEW结合的电能质量扰动检测平台.分别采用单一扰动、复合扰动和电网实际扰动数据验证本文算法的准确性与有效性,相比现有经验模态分解和集合经验模态分解,本文提出算法不仅具有抗模态混叠和虚假分量的能力,且在强噪声环境下仍具有较高的准确性和鲁棒性.